基于联邦学习的光伏发电组合预测方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种基于联邦学习的光伏发电组合预测方法、装置及电子设备。该方法包括：对待训练的预设初始模型进行联邦学习训练，得到训练后的模型参数；根据训练后的模型参数，生成光伏发电组合预测模型；利用光伏发电组合预测模型对待预测光伏区域进行光伏发电预测。其中，联邦学习训练由联邦服务器和多个本地服务器执行，本地服务器根据所在光伏区域的训练数据集和由联邦服务器分发的不同训练轮次的聚合模型参数，对预设初始模型进行训练；联邦服务器对接收的本地服务器在不同训练轮次上传的本地模型参数进行模型聚合处理，直至得到符合预设条件的训练后的模型参数。采用本发明专利技术能够提升混合预测方法预测光伏发电的泛化能力和预测效果。和预测效果。和预测效果。

【技术实现步骤摘要】
基于联邦学习的光伏发电组合预测方法、装置及电子设备


[0001]本专利技术涉及光伏
，尤其涉及一种基于联邦学习的光伏发电组合预测方法、装置及电子设备。

技术介绍

[0002]光伏发电受到许多不可控因素的影响，如太阳辐射、温度、湿度、风速和方向等，因此，准确预测光伏发电非常困难。光伏发电的不可预测性不仅影响经济效率，而且对大规模并网后电力系统运行的稳定性、可靠性和调度产生不利影响。可靠的光伏发电系统对于电网的安全稳定运行至关重要，因此，准确预测光伏发电量非常重要。
[0003]目前，光伏功率预测方法通常可以分为物理预测方法、统计预测方法、人工智能预测方法和混合预测方法。物理预测方法主要是基于大气中的物理规律与太阳辐射之间的相互作用来建立预测的物理模型，该方法建模复杂，计算量大，短期预测结果不理想。统计预测方法主要基于预测模型的输入和输出之间的相关性，并根据一定的统计规律进行预测，该方法仅依赖历史太阳数据来建立模型，以捕捉天气变量与光伏发电之间的关系，并且预测过程相对简单。基于人工智能的光伏电力预测模型不依赖电力与其影响因素之间的关系，而是从大量历史数据中学习来进行预测，该方法在处理具有良好鲁棒性和准确性的非平稳太阳辐射强度序列方面具有巨大优势。为了克服单一模型处理数据的缺点，混合预测方法将上述各预测方法相结合，以实现高预测精度。
[0004]然而，现有的混合预测方法依赖于具有足够多的样本和足够丰富的特征的训练数据集，而实际情况是发电数据样本数量和特征普遍不足，并且不同区域的发电数据通常严格保密，使得混合预测方法预测光伏发电的效果较差。

技术实现思路

[0005]本专利技术实施例提供了一种基于联邦学习的光伏发电组合预测方法、装置及电子设备，以解决因训练数据不足使得混合预测方法预测光伏发电的效果较差的问题。
[0006]第一方面，本专利技术实施例提供了一种基于联邦学习的光伏发电组合预测方法，包括：
[0007]对待训练的预设初始模型进行联邦学习训练，得到训练后的模型参数；
[0008]根据训练后的模型参数，生成光伏发电组合预测模型；
[0009]利用光伏发电组合预测模型对待预测光伏区域进行光伏发电预测；
[0010]其中，联邦学习训练由联邦服务器和多个本地服务器执行，多个本地服务器分别对应互不相同的且数据不共享的一个光伏区域；本地服务器根据所在光伏区域的训练数据集和由联邦服务器分发的不同训练轮次的聚合模型参数，对预设初始模型进行训练；联邦服务器对接收的本地服务器在不同训练轮次上传的本地模型参数进行模型聚合处理，得到下一轮次的聚合模型参数，直至得到符合预设条件的训练后的模型参数，停止联邦学习训练。
[0011]第二方面，本专利技术实施例提供了一种基于联邦学习的光伏发电组合预测方法装置，包括：
[0012]模型训练模块，用于对待训练的预设初始模型进行联邦学习训练，得到训练后的模型参数；
[0013]模型生成模块，用于根据训练后的模型参数，生成光伏发电组合预测模型；
[0014]预测模块，用于利用光伏发电组合预测模型对待预测光伏区域进行光伏发电预测；
[0015]其中，联邦学习训练由联邦服务器和多个本地服务器执行，多个本地服务器分别对应互不相同的且数据不共享的一个光伏区域；本地服务器根据所在光伏区域的训练数据集和由联邦服务器分发的不同训练轮次的聚合模型参数，对预设初始模型进行训练；联邦服务器对接收的本地服务器在不同训练轮次上传的本地模型参数进行模型聚合处理，得到下一轮次的聚合模型参数，直至得到符合预设条件的训练后的模型参数，停止联邦学习训练。
[0016]第三方面，本专利技术实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0017]本专利技术实施例提供一种基于联邦学习的光伏发电组合预测方法、装置及电子设备，其首先对待训练的预设初始模型进行联邦学习训练，得到训练后的模型参数。然后根据所述训练后的模型参数，生成光伏发电组合预测模型。最后，利用所述光伏发电组合预测模型对待预测光伏区域进行光伏发电预测。由于通过采用联邦学习训练的方式对预设初始模型进行训练，实现了光伏运营商之间预测模型的协同训练，解决了单个数据持有者的数据不足的问题，极大地提升了训练数据的数量，从而提升了光伏发电组合预测模型的泛化能力，提升了混合预测方法预测光伏发电的效果。同时，由于在训练过程中，各参与方无法获取其他参与方的训练数据，从而保证了数据隐私，解决了训练数据无法共享的问题。
附图说明
[0018]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1是本专利技术实施例提供的一种基于联邦学习的光伏发电组合预测方法的实现流程图；
[0020]图2是本专利技术实施例提供的一种基于联邦学习的光伏发电组合预测方法的实现架构示意图；
[0021]图3是本专利技术实施例提供的一种基于联邦学习的光伏发电组合预测方法的训练架构示意图；
[0022]图4是本专利技术实施例提供的基于联邦学习的光伏发电组合预测装置的结构示意图；
[0023]图5是本专利技术实施例提供的电子设备的示意图。
具体实施方式
[0024]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。
[0025]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
[0026]如相关技术所介绍的，混合预测方法存在以下问题。首先，无法解决实际情况下发电数据样本数量和特征不足的问题，现有的混合预测方法依赖于具有足够多的样本和足够丰富的特征的训练数据集，但在实际的负荷预测工作中通常很难满足这一条件。其次，仅使用单个区域的数据训练的模型很难满足新区域的预测要求。最后，由于数据隐私保护，光伏数据是严格保密的，这限制了数据共享培训，而利用不同区域之间的数据进行训练能够提高模型预测能力。因此，缺乏一种能够在保护数据隐私的同时对功率预测模型进行联合训练的方法。
[0027]为了解决现有技术问题，本专利技术实施例提供了一种基于联邦学习的光伏发电组合预测方法、装置及电子设备。下面首先对本专利技术实施例所提供的基于联邦学习的光伏发电组合预测方法进行介绍。
[0028]基于联邦学习的光伏发电组合预测方法的执行主体，可以是基于联邦学习的光伏发电组合预测装置，该装置可以是具备数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的光伏发电组合预测方法，其特征在于，包括：对待训练的预设初始模型进行联邦学习训练，得到训练后的模型参数；根据所述训练后的模型参数，生成光伏发电组合预测模型；利用所述光伏发电组合预测模型对待预测光伏区域进行光伏发电预测；其中，所述联邦学习训练由联邦服务器和多个本地服务器执行，多个所述本地服务器分别对应互不相同的且数据不共享的一个光伏区域；所述本地服务器根据所在光伏区域的训练数据集和由联邦服务器分发的不同训练轮次的聚合模型参数，对所述预设初始模型进行训练；所述联邦服务器对接收的本地服务器在不同训练轮次上传的本地模型参数进行模型聚合处理，得到下一轮次的聚合模型参数，直至得到符合预设条件的训练后的模型参数，停止联邦学习训练。2.根据权利要求1所述的基于联邦学习的光伏发电组合预测方法，其特征在于，所述对待训练的预设初始模型进行联邦学习训练，得到训练后的模型参数，包括：联邦服务器向多个所述本地服务器分发待训练的预设初始模型的初始化聚合模型参数；每个所述本地服务器根据所在光伏区域的训练数据集和所述初始化聚合模型参数，对所述预设初始模型进行第一轮训练，并将第一轮训练得到的本地模型参数上传至所述联邦服务器；所述联邦服务器对接收的第一轮训练的所有本地模型参数进行第一轮模型聚合处理，并将得到的第一轮聚合模型参数分发至每个所述本地服务器；每个所述本地服务器根据所述第一轮聚合模型参数进行第二轮模型训练，并将第二轮训练得到的本地模型参数上传至所述联邦服务器；所述联邦服务器对接收的第二轮训练的所有本地模型参数进行第二轮模型聚合处理，且如果得到的第二轮聚合模型参数符合预设条件，则停止联邦学习训练并将所述第二轮聚合模型参数确定为所述训练后的模型参数，否则继续进行后续轮次的训练，直至得到符合预设条件的所述训练后的模型参数。3.根据权利要求2所述的基于联邦学习的光伏发电组合预测方法，其特征在于，所述预设条件为：模型参数满足预设评价指标；或者，训练轮次达至预设轮次。4.根据权利要求2所述的基于联邦学习的光伏发电组合预测方法，其特征在于，所述训练数据集包括带有时间信息的光伏正向有功能量数据、有功功率、电压和电流。5.根据权利要求2所述的基于联邦学习的光伏发电组合预测方法，其特征在于，所述联邦服务器采用预设函数进行模型聚合处理，所述预设函数为：minf(w)；f
j
(w)＝l(u
j
,v
j
；w)；其中，D为每个本地服务器拥有的数据总量，f
j
(w)是第j个数据的模型参数w的损失预
测。6.根据权利要求2所述的基于联邦学习的光伏发电组合预测方法，其特征...

【专利技术属性】
技术研发人员：王鸿玺，申洪涛，张玉帅，李飞，石振刚，朱雅魁，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：